論文の概要: Algorithms for Solving Nonlinear Binary Optimization Problems in Robust
Causal Inference
- arxiv url: http://arxiv.org/abs/2012.12130v1
- Date: Tue, 22 Dec 2020 16:12:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:22:47.235259
- Title: Algorithms for Solving Nonlinear Binary Optimization Problems in Robust
Causal Inference
- Title（参考訳）: ロバスト因果推論における非線形二元最適化問題を解くアルゴリズム
- Authors: Md Saiful Islam, Md Sarowar Morshed, and Md. Noor-E-Alam
- Abstract要約: 連続的な結果を持つ観測データから、堅牢な因果推論テストインスタンスを解くための勾配アルゴリズムを提案する。
実現可能性定式化の構造を生かして,ロバストなテスト問題を解決するのに効率的な欲望スキームを開発する。
- 参考スコア（独自算出の注目度）: 2.169755083801688
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identifying cause-effect relation among variables is a key step in the
decision-making process. While causal inference requires randomized
experiments, researchers and policymakers are increasingly using observational
studies to test causal hypotheses due to the wide availability of observational
data and the infeasibility of experiments. The matching method is the most used
technique to make causal inference from observational data. However, the pair
assignment process in one-to-one matching creates uncertainty in the inference
because of different choices made by the experimenter. Recently, discrete
optimization models are proposed to tackle such uncertainty. Although a robust
inference is possible with discrete optimization models, they produce nonlinear
problems and lack scalability. In this work, we propose greedy algorithms to
solve the robust causal inference test instances from observational data with
continuous outcomes. We propose a unique framework to reformulate the nonlinear
binary optimization problems as feasibility problems. By leveraging the
structure of the feasibility formulation, we develop greedy schemes that are
efficient in solving robust test problems. In many cases, the proposed
algorithms achieve global optimal solution. We perform experiments on three
real-world datasets to demonstrate the effectiveness of the proposed algorithms
and compare our result with the state-of-the-art solver. Our experiments show
that the proposed algorithms significantly outperform the exact method in terms
of computation time while achieving the same conclusion for causal tests. Both
numerical experiments and complexity analysis demonstrate that the proposed
algorithms ensure the scalability required for harnessing the power of big data
in the decision-making process.
- Abstract（参考訳）: 変数間の因果関係の特定は意思決定プロセスにおける重要なステップである。
因果推論にはランダムな実験が必要であるが、研究者や政策立案者は、観測データの広範囲な利用と実験の実施可能性のために、因果仮説をテストするために観察研究をますます利用している。
このマッチング手法は観測データから因果推論を行う最もよく用いられる手法である。
しかし、一対一マッチングにおけるペア割り当てプロセスは、実験者による選択が異なるため、推論の不確実性を引き起こす。
近年, 不確実性に対処するために離散最適化モデルが提案されている。
離散最適化モデルでは頑健な推論が可能であるが、非線形問題を引き起こし、拡張性に欠ける。
本研究では、連続的な結果を伴う観測データから頑健な因果推論テストインスタンスを解くための欲求アルゴリズムを提案する。
非線形二項最適化問題を実現可能性問題として再編成するための一意な枠組みを提案する。
実現可能性定式化の構造を生かして,ロバストなテスト問題を解決するのに効率的な欲望スキームを開発する。
多くの場合、提案アルゴリズムはグローバル最適解を実現する。
3つの実世界のデータセットで実験を行い,提案アルゴリズムの有効性を実証し,その結果を最先端解法と比較した。
実験により,提案手法は計算時間的にも精度が向上し,因果テストでも同様の結果が得られた。
数値実験と複雑性解析の両方により、提案アルゴリズムは、意思決定プロセスにおけるビッグデータのパワーを利用するために必要なスケーラビリティを保証する。
関連論文リスト
- Neural Improvement Heuristics for Preference Ranking [69.23334811890919]
本稿では,グラフに基づく問題に対するニューラル改善(NI)モデルを提案する。
本モデルでは, ソリューションの品質向上のために, 項目の相互優先の修正を提案する。
これらのアルゴリズムは、優先度ランキング問題の解法として用いられ、シミュレーションや実世界のデータにおいて、従来の方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-01T10:35:29Z) - The Statistical Complexity of Interactive Decision Making [134.75192655810525]
複雑度尺度であるDecision-Estimation Coefficientは,サンプル効率のインタラクティブ学習に必要かつ十分であることが証明された。
統合アルゴリズム設計原則であるE2Dは、教師付き推定のための任意のアルゴリズムを、意思決定のためのオンラインアルゴリズムに変換する。
強化学習設定に適用すると、決定推定係数は基本的に既存のすべての硬度結果と下限を回復する。
論文 参考訳（メタデータ） (2021-12-27T02:53:44Z) - Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。
厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。
このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
論文 参考訳（メタデータ） (2021-11-29T15:10:09Z) - Sample Selection for Fair and Robust Training [28.94276265328868]
公平でロバストなトレーニングのためのサンプル選択に基づくアルゴリズムを提案する。
提案アルゴリズムは,最先端技術に匹敵する公平性と堅牢性が得られることを示す。
論文 参考訳（メタデータ） (2021-10-27T07:17:29Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳（メタデータ） (2021-10-12T02:21:30Z) - Distributionally Robust Optimization with Markovian Data [8.126833795693699]
本研究では,不確実な問題パラメータの確率分布が不明なプログラムについて検討する。
本稿では,問題の目的関数と最適解を推定するために,データ駆動型分布法を提案する。
論文 参考訳（メタデータ） (2021-06-12T10:59:02Z) - Linear regression with partially mismatched data: local search with
theoretical guarantees [9.398989897176953]
本稿では,予測と応答のペアが部分的に一致しない線形回帰の重要な変種について検討する。
最適化定式化を用いて、基礎となる回帰係数とミスマッチに対応する置換を同時に学習する。
我々は,局所探索アルゴリズムが線形速度でほぼ最適解に収束することを証明した。
論文 参考訳（メタデータ） (2021-06-03T23:32:12Z) - A Two-stage Framework and Reinforcement Learning-based Optimization
Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。
スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。
その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文 参考訳（メタデータ） (2021-03-10T03:16:12Z) - Slowly Varying Regression under Sparsity [2.7910505923792637]
分散制約のあるゆるやかに変化する回帰モデルにおける推定問題を考える。
我々は,実現可能な解を生成できるアルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-02-22T04:51:44Z) - Benchmarking Simulation-Based Inference [5.3898004059026325]
確率的モデリングの最近の進歩は、確率の数値的評価を必要としないシミュレーションに基づく推論アルゴリズムを多数もたらした。
推論タスクと適切なパフォーマンス指標を備えたベンチマークを,アルゴリズムの初期選択とともに提供する。
性能指標の選択は重要であり、最先端のアルゴリズムでさえ改善の余地があり、逐次推定によりサンプリング効率が向上することがわかった。
論文 参考訳（メタデータ） (2021-01-12T18:31:22Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳（メタデータ） (2020-12-29T04:08:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。